我们已经极其擅长从扫描文档中逐层提取信息 📋——无论是印刷字段、叠加文字、手写内容，还是审阅者的批注。

例如，在一份带批注的许可证上，我们的 Extract 智能体不仅可以提取原始许可证编号，还能提取覆盖在其上的手写/绘制批注，且这些提取结果都精确锚定到原始文本。

我们的智能体将错误率降低了 2 倍以上，而成本仅为使用前沿模型的一小部分。

我们的 Extract v2.5 智能体在性价比方面达到了 SOTA 水平，而扫描表单只是一个示例。快来体验吧！

Extract v2.5：https://llamaindex.ai/blog/introducing-extract-v2-5…

可在 LlamaParse 中使用：https://cloud.llaindex.ai

发布 Extract v2.5

来源：https://www.llamaindex.ai/blog/introducing-extract-v2-5 今天，我们正式推出 Extract v2.5，这是基于模式的文档提取智能体的全新一代产品。本次发布在所有层级上都带来了精度提升，同时为最高层级 Agentic 和 Agentic Plus 增强了溯源能力。这些改进并未增加每页定价，无论使用哪个层级，都能获得更高的每美元性能。

在 OnExtractBench（https://www.extractbench.ai/）上，所有三个层级的精度均有提升。Cost Effective 现已超越此前的 Agentic 层级，整体价值 F1 从 87.1 提升至 93.9；Agentic 则超越了此前的 Agentic Plus，从 89.8 提升至 95.8。最高精度层级 Agentic Plus 从 95.1 提升至 96.4。

VALUE F1 V2.0 V2.5 85 90 95 87.1 89.8 95.1 COST EFFECTIVE 93.9 AGENTIC 95.8 AGENTIC PLUS 96.4 $0.00 $0.02 $0.04 $0.06 $0.08 $0.10 AVERAGE COST PER PAGE (USD)

在底层，我们进行了架构层面的增强，这些增强促成了上述性能提升，其中包含一个专为文档提取打造的新型智能体运行框架（agent harness）。我们从最新的编码智能体中汲取灵感，围绕模型进行了全方位的调优，以应对文档提取中在视觉、推理和验证方面的真实失败模式。最终成果是一个专用智能体，能够跨多页交叉引用上下文，并将提取值精确锚定到原始来源。

第一项改变是结构化推理（Structural Reasoning）。我们基于文档表示进行结构化推理，从而根据文档类型、布局和信息密度实现更高效、更具针对性的提取。Extract 会对更复杂的文档自适应地调整推理方式并投入更多精力，以达到最大精度；对于较简单的文档，则以更低的延迟处理，只投入必要的精力。

本次发布为 Agentic 和 Agentic Plus 引入了**高级引用（Advanced Citations）**功能，帮助定位支撑提取值的证据。在 ExtractBench 上，Agentic 的溯源得分从 46.8 提升至 80.6，Agentic Plus 从 46.4 提升至 82.2——这意味着即使面对最复杂的版面和提取任务，边界框也更加准确且匹配更精确。

SCORE EXTRACTION APIS LLMs V2.0 V2.5 0 20 40 60 80 44.3 46.8 46.4 SONNET 5.5 63.2 GPT-6 SOL 77.6 OPUS 5.5 77.5 REDUCTO DEEP EXTRACT 50.8 EXTEND MAX 21.8 COST EFFECTIVE 54.3 AGENTIC 80.6 AGENTIC PLUS 82.2 $0.00 $0.02 $0.04 $0.06 $0.08 $0.10 $0.12 $0.14 $0.16 AVERAGE COST PER PAGE (USD)

这些改进体现在 ExtractBench 的各项挑战中，包括长列表、跨页记录和扫描表单。以下展示了 Extract v2.5 在这些任务上提取和溯源效果提升的部分示例。

长列表

长列表可能会导致即使是前沿视觉语言模型（VLM）也会提前停止或在重复记录中丢失跟踪。Extract v2.5 使用中间表示处理完整数据集，并对照您的模式验证其输出。在长列表任务中，Cost Effective 的得分从 82.0 提升至 92.6，Agentic 从 86.1 提升至 95.5。

LONG LIST ACCURACY V2.0 V2.5 COST EFFECTIVE 82.0 92.6 AGENTIC 86.1 95.5 AGENTIC PLUS 94.5 96.3 75 80 85 90 95 100 SCORE

在一份 17 页的基金备案文件中，Cost Effective 此前仅返回了 238 项持仓中的 87 项。Extract v2.5 返回了全部 238 项，该文档的提取得分从 52.8 提升至 98.7。

238 of 238 holdings 每行对应一项持仓

1. p1 12
2. p2 15
3. p3 15
4. p4 14
5. p5 15
6. p6 16
7. p7 14
8. p8 15
9. p9 15
10. p10 15
11. p11 15
12. p12 15
13. p13 14
14. p14 15
15. p15 15
16. p16 14
17. p17 4

holdings: [

…{ issuer_name: “CENTENE CORPORATION”, value_usd: 203604.00 },87 项持仓

{ issuer_name: “Aktiebolaget Volvo”, value_usd: 552328.91 },{ issuer_name: “AVNET, INC.”, value_usd: 361862.00 },… 151 项遗漏

238 项持仓

]

跨页记录

在真实文档中，提取过程必须跨页推理。某一页上的内容可能会延续到多页，或者与数页之后的附录关联在一起。Extract v2.5 在构建输出时能更好地保留字段之间的关联关系。

CROSS-PAGE RECORDS ACCURACY V2.0 V2.5 COST EFFECTIVE 80.3 92.0 AGENTIC 85.5 96.5 AGENTIC PLUS 93.6 96.7 75 80 85 90 95 100 SCORE

在这份拨款明细表中，Agentic v2.0 在分页处停止了，导致拨款用途和地址信息不完整。Extract v2.5 会将下一页的内容作为同一记录的延续纳入。

address_line1 1800 WASHINGTON BLVD STE340 city, state, zip_code “” BALTIMORE MD 21230 purpose_of_grant EDUCATION, HUMAN & SOCIAL SERVICES, DISASTER RELIEF & RECOVERY, COMMUNITY DEVELOPMENT

United Way Worldwide Schedule I, pages 5 and 6, page 5 Page 5

United Way Worldwide Schedule I, pages 5 and 6, page 6 Page 6

扫描表单

扫描表单通常混合了印刷字段、叠加文字、手写内容和审阅者批注。此类表单中常见的扫描噪音会使这些图层更难区分。某个印刷值可能在印刷后被划掉并手工修正。Extract v2.5 更善于在上下文中视觉化地解读字段，并将所需值与周围的标记分离开来。同时，它现在也更能将提取值精确锚定回源文档，便于交叉核对和参考。

SCANNED FORMS ACCURACY V2.0 V2.5 COST EFFECTIVE 89.6 93.9 AGENTIC 90.9 95.7 AGENTIC PLUS 94.4 96.1 75 80 85 90 95 100 SCORE

在这份带批注的许可证上，Agentic 此前将审阅者的日期与许可证编号合并，并将审阅者备注附加到了淡水深度值后面。Extract v2.5 将原始值与批注分离，分别提取到模式所要求的字段中。

amendment_permit_no “7/29/2019 13445” “13445” amendment_permit_no_review null “7/29/2019”

deepest_freshwater_zone “4000 BUQW: 500(1800/3925) USDW: 4000 GEO ISOLATION: 4250” “4000” deepest_freshwater_zone_review “4000 BUQW: 500(1800/3925) USDW: 4000 GEO ISOLATION: 4250” “BUQW: 500(1800/3925) USDW: 4000 GEO ISOLATION: 4250”

W-14 disposal permit W14-57728, page 1

高级引用

高级引用（Advanced Citations）会为困难字段定位支撑证据的边界框，包括那些并未在文档中逐字出现的值。初始版本此前已在 Agentic Plus 中提供。在 v2.5 中，我们进一步提升了其溯源精度，并将其扩展至 Agentic。

Texas P-4, page 1 field_name Pleasanton (Edwards Lime) lease_name L.S.U. Leal current_operator_name SNG Operating, LLC operator_p5_no 797970 oil_lse_gas_id_no 14068 county Atascosa operator_address 1714 Fortview Road, #106 Austin, Texas 78704 well_nos 1 classification_oil false classification_gas false classification_other false effective_date May 1, 2010 change_operator true change_oil_condensate_gatherer false change_gas_gatherer false change_gas_purchaser false change_gas_purchaser_system_code false change_field_name false change_lease_name false new_rrc_oil_lease false new_rrc_gas_well false new_rrc_other_well false due_new_completion_recompletion false due_reclass_gas_to_oil false due_reclass_oil_to_gas false due_consolidation false

边界框引用与置信度分数结合使用效果尤佳。置信度分数帮助团队决定哪些值可以自动通过、哪些需要进一步检查。在人机协同工作流中，审阅者可以使用引用将这些值与原始文档进行核对。我们的置信度分数指南（https://www.llamaindex.ai/blog/what-makes-an-extraction-confidence-score-useful）解释了如何在您自己的文档上评估这一点。

我们是如何构建 v2.5 的

在 LlamaIndex，我们对文档有着深入的理解。我们将这些专业知识沉淀为提取智能体可以调用的工具，用于读取、转换和定位文档中的信息。这些工具基于专用模型和文档处理方法构建，能够应对不一致的文件格式、模糊的版面以及源坐标等问题。

阅读顺序、表格结构以及文本与其在页面上位置之间的关系都会影响提取效果。我们的工具为智能体提供了处理这些结构并在构建输出时随时回溯源文档的方式。

在 v2.5 中，我们将此前仅用于 Agentic Plus 的运行框架引入了 Cost Effective 和 Agentic，针对每个层级的成本约束对其工具和提取策略进行了适配。我们优化了任务的组织方式、给智能体提供哪些上下文，以及何时应该更仔细地检查文档。

做出正确的选择需要大量测试。对于简短表单效果良好的方法，可能在处理数百条重复记录时表现不佳。我们针对这些任务评估了文档表示、工具和模型配置，在精度提升与所需的时间和算力之间进行权衡。

我们还研究了智能体如何遵循您的模式和提取指令，包括字段数最多达 3,200 个的任务。例如，如果记录 ID 对于将提取的记录匹配到您的数据库至关重要，请在提示中明确说明，以便智能体给予额外关注。

我们还新增了原生电子表格提取功能。在电子表格模式（https://developers.llamaindex.ai/llamaparse/extract/guides/configuring-extract/#spreadsheet-mode）下，智能体直接处理工作簿单元格，而不是扁平化的表示形式，为其处理结构化数据提供了另一种方式。您可以在提取配置中启用该功能。

在您的文档上试用 v2.5

使用您现有的模式，在代表您工作流的文档上试用 v2.5。我们认为这一版本将在提取质量上带来显著提升，尤其是对于此前需要手动清理或可靠性不足以实现自动化的文档。期待看到您基于它构建出的成果。

Jerry Liu (@jerryjliu0)： 今天，我们正式推出 Extract v2.5——一系列针对文档提取调优的前沿智能体。

这些智能体（cost-effective、agentic、agentic plus）都针对值准确性和溯源能力进行了调优。我们的提取智能体在表现上超越 Opus 5.5 和 GPT-6 Sol，同时成本低 30% 到 4 倍。